Procesos Estocasticos Introduccion

Monografas de Juan Mascareas sobre Finanzas Corporativas ISSN: 1988-1878 Procesos estocsticos: Introduccin
PROCESOS ESTOCSTICOS: INTRODUCCIN

Juan Mascareas
Universidad Complutense de Madrid
Versin inicial: febrero 2006 - ltima versin: marzo 2008
- Procesos estocsticos, 2
- Recorrido aleatorio de estado discreto y tiempo discreto, 4 - La generalizacin del proceso, 6 - Procesos estocsticos en tiempo continuo, 12
1. Procesos estocsticos
Se denomina proceso estocstico1 a toda variable que evoluciona a lo largo del tiempo de forma total o parcialmente aleatoria. Un ejemplo, es la temperatura en Madrid, aumenta durante el da y baja durante la noche; aumenta en el verano y desciende mucho en invierno (nueve meses de invierno y tres de infierno, que se dice del clima castellano); su variacin es parcialmente determinstica y parcialmente aleatoria (figura 1). Otro ejemplo, es la variacin del precio de las acciones de Gamesa (figura 2), que evoluciona de forma aleatoria, pero a largo plazo tiene una tasa de crecimiento esperada positiva, que compensa a los inversores por el riesgo que corren al poseer el activo financiero.
Fig.1 Temperaturas mximas y mnimas en Madrid desde Marzo-2007 hasta Febrero-2008 [Fuente: NOAA, Climate Prediction Center]
rdto
8,0% 6,0% 4,0% 2,0% 0,0% 1 -2,0% -4,0% -6,0% -8,0% -1 0,0% 1 2 23 34 45 56 67 78 89 1 00 1 1 1 1 22 1 33 1 44 1 55 1 66 1 77 1 88 1 99 21 0 221 232 243
Fig.2 Evolucin del rendimiento diario de la accin de Gamesa durante el ao 2007 [Elaboracin propia]
La palabra estocstico se deriva del griego stochazesthai, que significa apuntar a un objetivo (stochos)
Los procesos estocsticos pueden ser clasificados en: - Tiempo discreto: Cuando el valor de la variable slo puede cambiar en una serie de momentos determinados del tiempo (por ejemplo, los sorteos de la lotera tienen lugar en determinadas fechas). - Tiempo continuo: Cuando el valor de la variable puede cambiar en cualquier momento del tiempo (la temperatura, por ejemplo). Otra forma de clasificar a los procesos estocsticos es: - Variable continua: La variable puede tomar cualquier valor comprendido en un rango (la temperatura, por ejemplo) - Variable discreta: La variable slo puede tomar determinados valores o estados discretos (los mercados financieros cotizan sus activos con unos precios que oscilan: de cntimo de euro en cntimo de euro, o en 1/8 de punto, etc.). Formalmente hablando, un proceso estocstico se define por una ley de probabilidad que gobierna la evolucin de una variable x (temperaturas, rendimientos, variacin de los tipos de inters etc.) a lo largo de un horizonte temporal t. De tal manera que para diferentes momentos del tiempo t1 < t2 < t3... podemos obtener la probabilidad de que los valores correspondientes x1, x2, x3... se siten dentro de un rango especfico como, por ejemplo: Prob [a1 < x1 b1] Prob [a2 < x2 b2] Prob [a3 < x3 b3] Cuando se llegue al momento t1 y observemos el valor correspondiente de x1, podemos condicionar la probabilidad de futuros sucesos a la luz de esta informacin (ver figura 3).
Fig.3
La temperatura en Madrid es un proceso estocstico estacionario, es decir, que las propiedades estadsticas de esta variable son constantes durante largos perodos de tiempo. De tal manera que, aunque la temperatura esperada para maana pueda depender en parte de la de hoy, la temperatura media esperada el 1 de Enero del prximo ao y su varianza, casi no dependen de la temperatura de hoy, y su valor es igual al valor esperado de la temperatura del 1 de Enero del siguiente ao y a su varianza, siendo tambin igual a la temperatura esperada para el 1 de Enero del tercer ao -contando desde ahora mismo- y a su varianza, etctera. Por otra parte, las acciones de Gamesa son un ejemplo de un proceso estocstico no estacionario, porque el valor esperado de las mismas puede crecer sin lmites, lo que implica tambin que la varianza del precio en el ao T va aumentando conforme aumente T. Tanto la temperatura en Madrid como el rendimiento de las acciones de Gamesa son procesos estocsticos continuos en el tiempo, porque el ndice del tiempo t es una variable continua (dado que las variables varan continuamente a los largo del tiempo). Por el contrario, los procesos estocsticos discretos en el tiempo, son aquellos en los que los valores de las variables slo varan en momentos determinados (discretos) del tiempo. De forma similar, y como ya vimos anteriormente, el conjunto de valores de xt (los estados) tambin pueden ser continuos o discretos.
2. Recorrido aleatorio de estado discreto y tiempo discreto

Uno de los ejemplos ms simples de un proceso estocstico es el recorrido aleatorio de estado discreto y tiempo discreto. En este caso, xt es una variable aleatoria que comienza con un valor conocido x0, y a lo largo de los periodos t = 1, 2, 3... va variando a razn de saltos unitarios hacia arriba o hacia abajo con una probabilidad asociada del 50% en cada caso. Como los saltos son independientes entre s, la evolucin de xt puede describirse mediante la siguiente ecuacin:
(1)
donde
xt+1 = xt + t
es una variable aleatoria con una distribucin de probabilidad de: prob ( t = 1) = prob ( t = -1) = 50% para t = 1, 2, 3...
Denominamos a xt un proceso de estados discretos porque slo puede tomar valores discretos. As, si x0 = 0, para los valores impares de t, los posibles valores de xt son (-t, ...... , -3 , -1 , 1 , 3 , ...... , t) mientras que para los valores pares de t los valores de xt seran (-t, ...... , -4 , -2 , 0 , 2 , 4 , ...... , t). La distribucin de probabilidad para xt procede de la distribucin binomial (ver figura 4).
t=0
t=1
t=2
t=3
t=4 4
3 2 1 0 -1 -2 -3 -4
Fig. 4 rbol de la distribucin binomial
2 1
0 -1
-2
Para t pasos, la probabilidad de que haya n saltos hacia abajo y t-n hacia arriba es igual a:
t t t! -t n 2 = n! (t - n)! 2
Fig. 5 Caminos que permiten alcanzar el valor -2 en el periodo 4 partiendo desde el inicio.
As, por ejemplo, la probabilidad de que para 4 pasos haya 3 saltos hacia abajo y uno slo hacia arriba es igual a:
4 4 4! 4 3 2 = 3!(4 3)! 2 = 4 x 0,0625 = 0,25 = 25%

lo que resulta evidente porque esa combinacin slo se puede realizar 4 veces con una probabilidad unitaria del 6,25% (vase la figura 5). Por otro lado, la probabilidad de que xt tome el valor t-2n en el instante t es igual a: (2) prob (xt = t-2n) = n 2
As, por ejemplo, la probabilidad de que x4 = 4 - (2 x 3), es decir x4 = -2 es igual al 25%. Para todos los dems valores las probabilidades se pueden ver en la figura 6. Observe que el rango de posibles valores que xt puede tomar aumenta con el valor de t, lo mismo que le ocurre tambin a la varianza de xt (tal y como se puede observar en la parte inferior de la figura 6). Por eso xt es un proceso no estacionario. Debido a que la probabilidad de un salto hacia arriba o hacia abajo es el 50%, en el momento t el valor esperado de xt es igual a 0 para cualquier valor de t.
Fig. 6
3. La generalizacin del proceso

Con objeto de generalizar este proceso vamos a cambiar las probabilidades de los saltos hacia arriba o hacia abajo. Llamemos p a la probabilidad de ascenso, mientras que q ser la de descenso (obviamente, q = 1-p). Si suponemos que p > q tendremos un recorrido aleatorio con tendencia (ascendente en nuestro caso al ser p > q). Para t = 0, el valor esperado de xt siendo t > 0 ser superior a cero e ir aumentando conforme aumente t. Por tanto, para t pasos, la probabilidad de que haya n saltos hacia abajo y t-n hacia arriba es igual a:
(3)
t t -n n n p q
En la figura 7 se muestra un ejemplo para p = 75% y q = 25%. La lnea roja indica la evolucin del valor medio esperado que, como se ve, tiene una tendencia ascendente. Tambin se aprecian las nuevas probabilidades de los valores de xt para t = 4; as como los valores de las varianzas en cada periodo (por cierto, observe algo interesante: la varianza aumenta proporcionalmente al tiempo t; la varianza para t=3 es igual a la de t=1 por 3, etctera)
Fig.7
Otra forma de generalizarlo es dejar que el tamao del salto en cada instante t sea una variable aleatoria continua. Por ejemplo, que siga una distribucin normal de media cero y desviacin tpica . Entonces, diremos que xt es un proceso estocstico de estado discreto y tiempo continuo. 3.1 Proceso de reversin a la media Otro ejemplo de este ltimo tipo de proceso estocstico es el denominado proceso auto regresivo de primer orden o AR(1), que viene dado por la siguiente ecuacin:
(4) xt = + xt-1 + t
donde y son constantes, con 1 < < 1, y t es una variable aleatoria normalmente distribuida de media nula. Este proceso es estacionario, y xt tiene un valor esperado a largo plazo igual a /(1-), independientemente de cul sea su valor actual (este valor se obtiene haciendo xt = xt-1 = x en la ecuacin 4 y despejando x). El proceso AR(1) se denomina tambin proceso de reversin a la media2, porque el valor de xt tiende hacia su valor esperado a largo plazo. Hay muchos procesos en la vida diaria que siguen una reversin a la media, por ejemplo, la altura de las personas tiende a un valor medio, el arrojar una moneda al aire varias veces seguidas para contar las caras o las cruces tiende a un valor del 50% para cada una de ellas, los fondos de inversin con un buen comportamiento el ao pasado tendern a la media del mercado en aos sucesivos, etctera. Una expresin matemtica que muestra este proceso es:
(5) xt = xt-1 b[xt-1 E(x)] + t

donde E(X) es el valor medio esperado de la variable aleatoria X, y b es la velocidad con la que se aproxima el valor de la variable X a su valor medio (velocidad de ajuste, o porcentaje de la diferencia entre el valor de x y su valor esperado que se elimina en cada periodo de tiempo). De tal manera que si el valor de xt-1 es superior al valor medio esperado, el valor de xt probablemente ser inferior a dicha valor esperado. La expresin 5 se puede alterar convenientemente para que sea idntica a la 4:
xt = xt-1 - b xt-1 + b E(x) + t xt = b E(x) + (1-b) xt-1 + t xt = + xt-1 + t, donde es igual a b E(x) y es igual a (1-b)
En la figura 8 se muestra un ejemplo de este proceso. Para ello suponemos que una variable aleatoria, cuyo valor actual es 15, tiene un valor medio esperado de 20 y oscila con una desviacin tpica de 5. La velocidad de ajuste a su valor medio esperado es del 10%. Las ecuaciones representativas podran ser:
xt = xt-1 0,1 [xt-1 20] + N(0,5), o tambin, xt = 0,1 x 20 + (1 - 0,1) xt-1 + N(0,5) = 2 + 0,9 xt-1 + N(0,5)
Francis Galton, buscando leyes hereditarias encontr que la altura de los hijos varones tenda a regresar hacia la altura media de la poblacin, comparada con la altura de sus progenitores varones. De alguna manera, los padres altos tendan a tener hijos ms bajos y viceversa. Galton desarroll el anlisis de regresin para estudiar este efecto al que se refera de forma optimista como regresin hacia la mediocridad.
45,0 40,0 35,0 30,0 25,0 20,0 15,0 10,0 5,0 0,0
12 15 18 21 24 27 30 33 36 39 42 45 45 48 48 0 3 6 9
Fig.8 Reversin a la media con un valor inicial de 15, un valor medio esperado de 20, una velocidad de ajuste del 10% y una desviacin tpica de 5 [xt = xt-1 0,10[xt-1 20] + N(0,5)]
En la figura 9 se muestra el mismo ejemplo pero con una velocidad de ajuste superior e igual al 75%, lo que hace que las oscilaciones sean ms bruscas y apelotonadas en el tiempo.
40,0 35,0 30,0 25,0 20,0 15,0 10,0 5,0 0,0

12 15 18 21 24 27 30 33 36 39 42 0 3 6 9
Fig.9 Reversin a la media con un valor inicial de 15, un valor medio esperado de 20, una velocidad de ajuste del 75% y una desviacin tpica de 5 [xt = xt-1 0,75[xt-1 20] + N(0,5)]
En la tabla 1 se muestra un ejemplo del clculo de la velocidad de ajuste segn la expresin (5). Supongamos que disponemos de 21 precios de un activo columna Precio (Xt)- construiremos una columna con los mismos precios desfasados un periodo columna Precio (Xt-1)-; calcularemos el valor medio de ambas columnas: 18,26 y 18,56 respectivamente, y el valor de la desviacin tpica de ambas: 5,87 y 5,57. Lo siguiente es calcular la covarianza de ambas series de datos multiplicando la diferencia de cada valor de una columna con su media por la diferencia de cada valor de la otra columna por su media (por ejemplo: (18,25-18,26) x (15,92-18,56) = 0,0264 0,03); obtendremos el valor medio de la covarianza: 6,68 y lo dividiremos por la varianza del valor de la columna Precio (Xt-1) lo que nos proporcionar el valor del coeficiente :
= 6,68 / 5,572 = 0,22

Sabemos que la velocidad de ajuste b = 1 - = 1 - 0,22 = 0,78. Por otra parte, si restamos al valor medio de la columna Precio (Xt) el producto de por la media de Precio (Xt-1) obtendremos el valor del coeficiente :
= 18,26 0,22 x 18,56 = 14,27

Sabemos que = b E(X) 14,27 = 0,78 E(X) E(X) = 18,29. Tambin sabemos que el valor esperado a largo plazo igual a /(1-) = 14,27 / (1-0,22) = 18,29.
Periodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Media= DesvTipica Covarianza Beta= Alfa= Precio(Xt) 15,92 18,25 13,41 17,01 15,90 23,44 29,14 17,54 24,28 15,13 16,37 6,21 10,80 23,04 23,10 17,94 15,82 17,52 27,51 22,87 10,01 18,26 5,87 6,68 0,22 14,27 Precio(Xt1) 15,92 18,25 13,41 17,01 15,90 23,44 29,14 17,54 24,28 15,13 16,37 6,21 10,80 23,04 23,10 17,94 15,82 17,52 27,51 22,87 18,56 5,57 Covarianza
0,03 1,49 6,45 3,66 13,74 53,06 7,65 6,12 17,95 6,52 26,45 92,18 37,09 21,67 1,46 1,51 2,05 9,64 41,16 35,55
6,68
b= 0,78
Tabla 1
2.2 Procesos de reversin a la media con saltos Una versin ms sofisticada del proceso de reversin a la media analizado en el apartado anterior es hacer que el valor de la variable x sufra saltos bruscos en momentos del tiempo aleatorios. Por ejemplo, este tipo de modelos sirve para modelizar el comportamiento de los precios de la electricidad en un mercado libre (Leizpig Power Exchange LPX, por ejemplo). La ecuacin del mismo es:
10
(6) xt = + xt-1 + t + tt
El sumando tt se encarga de modelizar los picos de los precios utilizando un proceso binomial simple. As t, que indica si se produce o no el salto en el momento t, puede tomar un valor igual a la unidad con una probabilidad (es decir, se produce un salto) o tomar un valor nulo con una probabilidad 1- (no se produce el salto). Mientras que t, que indica el tamao del salto, sigue una distribucin normal con una media () y una distribucin tpica (). En la figura 10 se puede observar el resultado de la ecuacin 6 para una simulacin de un mes, por horas, de los precios de la electricidad.
140,00 120,00 100,00 80,00 60,00 40,00 20,00 0,00 1 49 97 145 193 241 289 337 385 433 481 529 577 625 673
Fig.10 Reversin a la media con un valor inicial de 18, un valor medio esperado de 20, una velocidad de ajuste del 20%, una desviacin tpica de 4,8%, = 0,0026, la media del salto igual a 47,43 y su desviacin tpica de 23,19
2.3 Procesos de Markov Tanto el proceso del recorrido aleatorio (con estados discretos o continuos, con tendencia o sin ella) como el AR(1) satisfacen la propiedad de Markov y por ello se denominan procesos de Markov. Dicha propiedad dice que la distribucin de probabilidad para xt+1 depende slo de xt y no de lo que ha ocurrido antes del tiempo t. As, en la ecuacin 1, si xt = 6, entonces xt+1 puede valer 5 o 7 con una probabilidad del 50% en cada caso. Los valores xt-1, xt-2... son irrelevantes una vez que conocemos el valor de xt (en la figura 3 pudimos observar esta propiedad). Gracias a dicha propiedad se puede simplificar mucho el anlisis de los procesos estocsticos. Concretando, un proceso de Markov es un tipo particular de proceso estocstico en el que para predecir el comportamiento futuro de la variable aleatoria nicamente es relevante su valor actual. Los valores anteriores de la variable o el sendero que en su momento siguieron son totalmente irrelevantes. As, por ejemplo, si el precio de las acciones de Gamesa sigue un proceso de Markov y su valor actual es de 13 , nuestras predicciones no se vern afectadas por el precio de Gamesa de hace una semana, un mes, etctera (estos datos pasados s son impor-
11
tantes para calcular la varianza o desviacin tpica que permitan definir las propiedades estadsticas del precio de Gamesa su volatilidad- pero lo que es irrelevante es el sendero que dichos precios sigui en el pasado). La propiedad de Markov implica que la distribucin de probabilidad del precio en cualquier momento futuro del tiempo no depende del sendero concreto que dicho precio sigui en el pasado.
4. Procesos estocsticos en tiempo continuo

Supongamos una variable que sigue un proceso estocstico de Markov, cuyo valor actual es 10 y cuya variacin a lo largo de un ao viene definida por (0,1), donde (,) representa una distribucin normal de probabilidad de media y siendo su desviacin tpica. Cul es la distribucin de probabilidad de la variacin en el valor de la variable durante los prximos dos aos? La variacin bianual es la suma de dos distribuciones normales de media 0 y desviacin tpica 1. Dado que la variable sigue un proceso de Markov, ambas distribuciones de probabilidad son independientes; y cuando sumamos dos distribuciones normales independientes, el resultado es una distribucin normal en la que su media es la suma de ambas medias y su varianza es la suma de ambas varianzas (ojo! Las varianzas de las variaciones de dos periodos de tiempo consecutivos son aditivas no as las desviaciones tpicas). Por tanto, la suma de ambas distribuciones tendr una media nula y una varianza igual a 2 (0, 2 ). Cul es la distribucin de probabilidad de la variacin de la variable aleatoria durante los prximos seis meses?. Veamos, ahora mismo su distribucin normal anual tiene una media nula y una desviacin tpica, que coincide con la varianza, de 1. Por tanto, siguiendo el razonamiento inverso que en el prrafo anterior, la media de la distribucin normal semestral ser 0 y su varianza 0,5 (0, 0,5 ). Cul es la distribucin de probabilidad de la variacin de la variable aleatoria durante el prximo mes?. La media seguir siendo cero. La varianza ser igual a 1/12 luego la nueva distribucin normal mensual ser (0, 1 / 12 ). Generalizando, la distribucin de probabilidad de la variacin de la variable aleatoria durante un perodo T ser (0, T ). Y si la variacin tiene lugar en un incremento mnimo de tiempo t, su distribucin ser (0, t ). Esto explica porque se suele decir que la incertidumbre es proporcional a la raz cuadrada del tiempo. Un ejemplo grfico de esto lo pudimos ver en la figura 7 en la que la varianza aumentaba proporcionalmente al tiempo transcurrido.
Bibliografa
COPELAND, Tom y ANTIKAROV, Valdimir (2001): Real Options. Texere. Nueva York DIXIT, Avinash y PINDYCK, Robert (1994): Investment under Uncertainty. Princeton University Press. Princeton (NJ). Pp.: 60-63
12
GONICK, Larry y SMITH, Woollcott (2005): The Cartoon Guide to Statistics. Harper Collins. Nueva York HLOUSKOVA, Jaroslava; KOSSMEIER, Stephan; OBERSTEINER, Michael y SCHNABL, Alexander (2005): Real options and the value of generation capacity in the German electricity market. Review of Financial Economics 14; 297-310 HULL, John (2000): Options, Futures, & Other Derivatives. Prentice Hall. Englewood Cliffs (NJ) (4 ed.)
13

Procesos Estocasticos Introduccion

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Procesos Estocasticos Introduccion

Cargado por

Copyright:

Formatos disponibles

Monografas de Juan Mascareas sobre Finanzas Corporativas ISSN: 1988-1878 Procesos estocsticos: Introduccin

PROCESOS ESTOCSTICOS: INTRODUCCIN

2. Recorrido aleatorio de estado discreto y tiempo discreto

4 4 4! 4 3 2 = 3!(4 3)! 2 = 4 x 0,0625 = 0,25 = 25%

3. La generalizacin del proceso

(5) xt = xt-1 b[xt-1 E(x)] + t

40,0 35,0 30,0 25,0 20,0 15,0 10,0 5,0 0,0

= 6,68 / 5,572 = 0,22

= 18,26 0,22 x 18,56 = 14,27

4. Procesos estocsticos en tiempo continuo

También podría gustarte